論文の概要: MMM: Clustering Multivariate Longitudinal Mixed-type Data

• arxiv url: http://arxiv.org/abs/2509.12166v1
• Date: Mon, 15 Sep 2025 17:30:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.426802
• Title: MMM: Clustering Multivariate Longitudinal Mixed-type Data
• Title（参考訳）: MMM:多変量縦混合型データのクラスタリング
• Authors: Francesco Amato, Julien Jacques,
• Abstract要約: MMM(Mixture of Mixed-Matrices)モデルについて述べる。 モデルは、連続、順序、バイナリ、名目、およびカウントデータを処理できる。 ファイナンシャルデータに対する実世界の応用について述べる。
• 参考スコア（独自算出の注目度）: 0.2578242050187029
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multivariate longitudinal data of mixed-type are increasingly collected in many science domains. However, algorithms to cluster this kind of data remain scarce, due to the challenge to simultaneously model the within- and between-time dependence structures for multivariate data of mixed kind. We introduce the Mixture of Mixed-Matrices (MMM) model: reorganizing the data in a three-way structure and assuming that the non-continuous variables are observations of underlying latent continuous variables, the model relies on a mixture of matrix-variate normal distributions to perform clustering in the latent dimension. The MMM model is thus able to handle continuous, ordinal, binary, nominal and count data and to concurrently model the heterogeneity, the association among the responses and the temporal dependence structure in a parsimonious way and without assuming conditional independence. The inference is carried out through an MCMC-EM algorithm, which is detailed. An evaluation of the model through synthetic data shows its inference abilities. A real-world application on financial data is presented.
• Abstract（参考訳）: 混合型の多変量長大データは、多くの科学領域でますます収集されている。 しかし、混合型の多変量データに対して、内部および時間的依存構造を同時にモデル化することの難しさから、この種のデータをクラスタリングするアルゴリズムは依然として不十分である。 混合行列モデル(MMM: Mixture of Mixed-Matrices: MMM: Mixture of Mixed-Matrices: MMM: Mixture of Mixed-Matrices: MMM: Mixture of Mixture of Mixed-Matrices: MMM: Mixture of Mixture of Mixed-Matrices: MMM)モデルを導入する。 したがって、MMMモデルは、連続的、順序的、二項的、名目的および数的データを扱うことができ、条件独立を仮定することなく、相似的な方法で、不均一性、応答間の関連、時間的依存構造を同時にモデル化することができる。 推論はMCMC-EMアルゴリズムを用いて行われる。 合成データによるモデルの評価は,その推論能力を示す。 ファイナンシャルデータに対する実世界の応用について述べる。

関連論文リスト

• Hybrid Bernstein Normalizing Flows for Flexible Multivariate Density Regression with Interpretable Marginals [3.669506968635671]
  密度回帰モデルは、完全な条件付き確率分布をモデル化することによって、データの包括的な理解を可能にする。 本稿では,MCTMと最先端・自己回帰NFを組み合わせることで,解釈可能な特徴効果のモデル化にMCTMの透明性を活用する。 各種数値実験において,本手法の汎用性を実証し,実世界およびシミュレーションデータ上でのMCTMや他のNFモデルと比較した。
  論文  参考訳（メタデータ） (2025-05-20T10:17:07Z)
• Learning Divergence Fields for Shift-Robust Graph Representations [73.11818515795761]
  本研究では,相互依存データに対する問題に対して,学習可能な分散場を持つ幾何学的拡散モデルを提案する。 因果推論によって新たな学習目標が導出され、ドメイン間で無神経な相互依存の一般化可能なパターンを学習するためのモデルが導出される。
  論文  参考訳（メタデータ） (2024-06-07T14:29:21Z)
• ComboStoc: Combinatorial Stochasticity for Diffusion Generative Models [65.82630283336051]
  拡散生成モデルの既存のトレーニングスキームにより,次元と属性の組み合わせによって区切られた空間が十分に標本化されていないことを示す。 構造を完全に活用するプロセスを構築し,ComboStocという名前でこの問題に対処する。
  論文  参考訳（メタデータ） (2024-05-22T15:23:10Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• Mixture of Coupled HMMs for Robust Modeling of Multivariate Healthcare Time Series [7.5986411724707095]
  隠れマルコフモデル(M-CHMM)を結合した新しいモデルのクラスを提案する。 モデル学習を実現するために、CHMM内の潜伏変数のシーケンスをサンプリングする2つのアルゴリズムを導出する。 既存の推論手法と比較して,アルゴリズムは計算可能であり,混合性が向上し,推定精度が向上する。
  論文  参考訳（メタデータ） (2023-11-14T02:55:37Z)
• Mixed data Deep Gaussian Mixture Model: A clustering model for mixed datasets [0.0]
  我々はMixed Deep Gaussian Mixture Model (MDGMM)と呼ばれるモデルに基づくクラスタリング手法を提案する。 このアーキテクチャは柔軟性があり、連続データや非連続データにも適用できる。 我々のモデルはデータの連続的な低次元表現を提供し、混合データセットを視覚化するのに有用なツールである。
  論文  参考訳（メタデータ） (2020-10-13T19:52:46Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)
• Graph Gamma Process Generalized Linear Dynamical Systems [60.467040479276704]
  実マルチ変数時系列をモデル化するために,グラフガンマ過程(GGP)線形力学系を導入する。 時間的パターン発見のために、モデルの下での潜在表現は、時系列を多変量部分列の同相集合に分解するために使用される。 非零次ノード数が有限であるランダムグラフを用いて、潜時状態遷移行列の空間パターンと次元の両方を定義する。
  論文  参考訳（メタデータ） (2020-07-25T04:16:34Z)
• Variational Conditional Dependence Hidden Markov Models for Skeleton-Based Action Recognition [7.9603223299524535]
  本稿では、時間変化の時間依存性パターンをキャプチャする問題に対処するために、従来の逐次モデリング手法を再検討する。 我々は、過去のフレームへの依存を動的に推定するHMMの異なる定式化を提案する。 フォワード・バックワード・アルゴリズムに基づく抽出可能な推論アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2020-02-13T23:18:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。